基于面向對象方法的GF-2影像桉樹林信息提取

梁文海，劉吉凱，張 偉，李新偉，鐘仕全

（1.廣西林業勘測設計院，廣西 南 寧 5 30000；2.安徽科技學院，安徽 鳳 陽 2 33100；3.廣西壯族自治區氣象減災研究所/國家衛星氣象中心遙感應用試驗基地，廣西 南 寧530022）

基于面向對象方法的GF-2影像桉樹林信息提取

梁文海1，劉吉凱2，張 偉2，李新偉2，鐘仕全3

（1.廣西林業勘測設計院，廣西 南 寧 5 30000；2.安徽科技學院，安徽 鳳 陽 2 33100；3.廣西壯族自治區氣象減災研究所/國家衛星氣象中心遙感應用試驗基地，廣西 南 寧530022）

高分2號（GF-2）是中國研制的空間分辨率最高的民用遙感衛星。為探討GF-2遙感數據對林業資源信息的監測能力，以廣西橫縣平朗鄉桉樹Eucalyptus林為研究對象，基于面向對象的圖像分析方法，通過對影像多種特征的分析與提取，建立桉樹林信息提取的知識規則，實現桉樹林空間分布的準確提取，最終桉樹林提取的用戶精度和生產者精度分別達81.4%和86.4%。結果表明：利用GF-2數據基于面向對象思想的桉樹林提取精度能夠滿足林業部門對于快速準確提取林業資源信息的生產需求。GF-2衛星因其高時空分辨率的特性可作為林業資源覆蓋變化多尺度高精度檢測的重要數據源。圖5表4參25

森林測計學；GF-2影像；桉樹；面向對象

林業資源提取及其動態變化檢測不僅對掌握林業資源消長、分布規律和更新林業資源數據庫意義重大，而且對控制林業資源消耗、林業發展和決策至關重要。傳統的林業資源調查主要以地面采集為主，工作量大、效率低、周期長，難以滿足 “年度出數”的林業資源監測需求［1］。遙感技術因其宏觀性、動態性、重復訪問等特點，被廣泛應用于林業資源監測中［2-3］。利用遙感數據進行林業資源監測，是林業遙感領域的研究熱點之一。周蔚［4］利用2期陸地衛星專題制圖儀（TM）遙感影像，結合森林小班數據更新方法，通過對比最大似然法和支持向量機算法實現森林資源的動態監測與估計。黃春波等［5］利用2001－2012年每年生長季節（5－10月）的Landsat TM影像，根據森林植被的統計學特征，通過融合歸一化差值植被指數（NDVI）構建綜合森林特征指數，并以時間序列的綜合森林特征指數實現森林變化的動態監測。伍靜［6］利用TM數據對廣西高峰林場的速生桉林地遙感分類技術展開相關探討，運用多種分類法：一般監督分類法、神經網絡分類法、決策樹分類法、混合像元線性分解法實施分類試驗，發現地形因子參與分類的決策樹分類法對速生桉分類效果最好。隨著遙感系統圖像分辨率的提高，高分辨率影像因其豐富的地物信息與純凈的光譜特征等優勢，被越來越多地應用到林業資源監測中［7-8］。傳統基于像素的分類方法被廣泛應用于林業資源監測，但主要是應用于中低分辨率影像，對高分辨率影像而言存在許多問題，如分類精度低，椒鹽噪聲明顯等。面向對象的分類方法在20世紀70年代被應用于遙感影像的解譯中，可以克服此類缺點，且有較好的視覺效果，是當前林業資源高分辨率研究的主流方法［2,8-9］。付強等［10］利用國產天繪1號和資源1號遙感影像，采用面向對象多尺度分割和基于特征值閾值的方法提取采伐跡地，進而采取分類后比較法檢測森林覆蓋變化。周小成等［11］選用Rapideye高分辨率衛星遙感影像，提出了面向小班對象的森林覆蓋變化信息半自動遙感提取方法。代華兵［12］深入探討了SPOT5遙感數據預處理、森林遙感分類、小班蓄積量遙感估測的方法，為SPOT5遙感數據在森林資源監測中的應用提供可行的科學依據和技術方法支持。綜上所述，對林業資源監測大多采用國外高分辨率數據，國產高分數據的應用少見于報道［10,13-15］。2013年，中國高分辨率對地觀測系統衛星——“高分1號”（GF-1）衛星成功發射，開啟了中國高分辨率對地觀測的新篇章；2014年， “高分2號”（GF-2）衛星發射成功，其搭載2臺高分辨率1 m全色、4 m多光譜相機，標志著中國遙感衛星進入了亞米級的 “高分時代”。查閱文獻發現，尚無利用GF數據進行林業動態變化檢測的研究。為此，本研究選用國產GF-2高分辨率數據，利用面向對象的分析方法研究GF-2數據對桉樹信息的監測能力，可為國產高分辯率數據應用于林業資源監測奠定基礎，同時也為國產高分辨率數據對地遙感監測提供適當的參考。

1 研究區與數據源

1.1 研究區概況

研究區位于廣西東南部的平朗鄉（圖1），地處22°08′～23°30′N，108°48′～109°37′E，地形四周高、中間低，形成寬谷平原和盆地，地貌以丘陵和平原為主。平朗鄉位于北回歸線以南，屬于南亞熱帶季風氣候區，水熱資源豐富，樹種繁多，林木生長迅速，是發展林業的重要基地。全鄉總面積為129.5 km2，山林面積8 000.0 hm2，占研究區總面積的61.7%，多為松、桉、杉、楓等。平朗鄉是廣西桉樹產業的優勢產區與特色產區，且該鄉地塊破碎，作為研究區有典型性與示范性。

1.2 數據源

圖1 研究區位置與樣本分布Figure1 Location of the study area and sampling points distribution in the study area

遙感數據為GF-2衛星數據。GF-2是中國迄今為止研制的空間分辨率最高的民用遙感衛星，全色空間分辨率為1m，光譜范圍為 0.45~0.90μm；多光譜空間分辨率為4m，包括藍、綠、紅、近紅外4個波段，光譜范圍分別為 0.45~0.52μm，0.52~0.59μm，0.63~0.69μm，0.77~0.89μm［16］。數據來源于中國資源衛星應用中心（http://www.cresda.com/CN/），級別為L1A，時相為2015年10月22日。輔助數據有2013年底的森林資源調查成果數據，航空正射影像（0.5m分辨率），1∶30萬數字高程模型（DEM）數據，野外實測的桉樹提取驗證樣本空間分布數據（圖1）。

2 面向對象的桉樹信息提取

傳統的基于像素的分析方法，如監督分類和非監督分類，難以利用高分遙感數據豐富的紋理、空間、功能特征等，無法表達對目標之間、目標與環境之間的整體結構信息，應用于高分數據時，其結果難以令人滿意。面向對象的分析方法能夠彌補基于像素的分析方法的局限性，從而實現更高級的圖像理解和分析，對高分數據的解譯效果要優于基于像素的分析效果［8,17-19］，因此本研究利用國產GF-2高分辨率數據，基于面向對象的分析方法建立桉樹提取的知識規則，從而實現桉樹空間分布的準確提取。

面向對象的桉樹信息提取是在遙感（RS）與地理信息系統（GIS）平臺下，先對GF-2數據預處理以提高圖像分析的精度，再通過多尺度分割建立目標對象，分析目標對象的光譜、紋理特征創建桉樹信息提取的規則，最后根據規則提取桉樹信息、后處理及精度評價，具體技術路線見圖2。

2.1 數據預處理

為了消除遙感數據的誤差，提高解譯的精度，需要對數據進行預處理。本研究所涉及的 GF-2衛星數據的預處理主要包括正射校正、融合與鑲嵌以及影像裁剪。①影像校正。以橫縣航片（0.5m分辨率）為基準影像，結合數字高程模型（DEM）數據，先對GF-2全色影像正射校正，校正精度控制在1個像元以內；待全色影像校正完成后，以全色為參考影像，結合DEM數據，再對同景多光譜影像正射校正，校正精度控制在0.5個像元內。②影像融合。采用主成分變換法（principal component）對全色影像與多光譜影像進行融合。待融合完成后，對融合影像進行勻色處理。③影像裁剪。為減少多余數據，加快提取效率，以平朗鄉鄉界為邊界，對影像進行裁剪，得到研究區的GF-2影像（圖1）。

2.2 主成分分析

圖2 面向對象的桉樹信息提取流程圖Figure 2 Flow chart of eucalyptus extraction based on object-oriented method

面向對象的方法較基于像素的方法優勢之一是在于能充分利用對象的多種特征，如光譜特征、紋理特征、幾何以及相鄰對象之間的關聯特征等，以實現圖像的精確分類［14］。其中紋理特征能夠兼顧宏觀特性和微觀細節，且具有較強的穩定性，是面向對象的圖像分析中最常見的特征之一［20-21］。

GF-2影像波段間相關性高，冗余信息多，且每個波段都可生成8組紋理特征信息，為獲取信息量大、相互獨立的紋理特征需降維處理。主成分分析法（PCA）是盡可能在不丟失原始波段信息情況下，以正交線性變換的方法將主要波段信息壓縮到少數幾個波段上，以減少數據量，綜合波段主要成分，增強圖像信息［6］。利用專業遙感軟件進行主成分變換去除影像的冗余信息，并利用變換后的第1波段PCA1（特征值8 481.79，信息比97.86%）替代原始數據提取紋理特征。

2.3 影像多尺度分割

影像分割是面向對象分析方法的關鍵步驟，目的是將影像分割成同質的影像對象，將屬于桉樹林的對象分割出來，進行基于知識規則的桉樹林類型提取。分割算法選擇多尺度分割（multi-resolution segmentation），關鍵是選擇合適的尺度參數，得到近似桉樹林冠層真實輪廓的對象。若尺度參數過小，影像分割破碎，目標地類被分為多個對象，不利于提取，如圖3A；若尺度參數過大，影像分割得不夠完整，單個對象內包含多個目標地類，不能準確提取，如圖3C和圖3D。本研究兼顧多尺度分割線與目標地類分界線吻合，且分割對象不致于太破碎的原則，經多次試驗，確定參與分割波段為藍、綠、紅、近紅4個波段，分割尺度參數為50，形狀指數為0.1，致緊度為0.5，其他默認。多尺度分割的結果如圖3B，分割對象近似于地類真實輪廓，為準確提取桉樹林信息提供了基礎。

圖3 不同分割尺度效果圖Figure 3 Image segmentation comparison with different scale parameters

2.4 特征分析與特征篩選

在特征分析前，要先建立目標地類的遙感解譯標志，以便于后續分析。根據遙感影像特征（光譜、紋理、形狀等），通過疊加森林資源調查成果專題數據，同時參考其他輔助數據確定未變化地類的解譯標志，對于變化地類則通過影像特征與野外實地調查數據建立解譯標志。綜合考慮 GF-2影像的可解譯程度與地塊的破碎程度，將平朗鄉地類初分為耕地、居住區、水體、宜林荒山、有林地與裸地等6類，其中有林地可細分為闊葉林、針葉林與桉樹林。由于裸地易與居住區中的鎮（村）混淆，將兩者合并，統稱為亮地表，最終地類分為耕地、亮地表、水體、宜林荒山與有林地等5類。面向對象的圖像分析方法不僅可以利用高空間分辨率遙感影像上地物的光譜特征，還可以充分利用影像豐富的紋理、形狀、結構及空間關系等相關信息［22］，從而能夠深入分析和挖掘影像的細節信息。相比較基于像元的影像局部分析法，面向對象的分類方法從整體上把握對象的特征信息，使得其總體分類精度提高。

影像對象的特征是面向對象的圖像分析的依據。利用影像對象的各種特征信息識別地物，特征不是越多越好，過多的特征反而會影響信息處理的效率，因此，首先需要對對象特征集中分析，篩選參與分類的特征，然后采取基于知識規則的方法建立提取桉樹信息的規則集。本研究根據5種地類的解譯標志，選擇均勻分布于研究區的地類樣本，統計分析其光譜特征和紋理特征。光譜特征包括歸一化差值植被指數（NDVI），均值（mean），亮度（brightness），最大差值（max.diff），紋理特征包括熵（entropy），對比度（contrast），均值（mean），角二矩陣（angular second moment），標準差（standard deviation），異質性（dissimilarity），同質性（homogeneity），相關性（correlation）。經分析篩選后，建立基于知識規則的提取模型。2.4.1 光譜特征分析與篩選 光譜特征是影像上地類光譜的反映，與分割對象的灰度值有關，是圖像分析最重要的因子之一。由表1可知：水體在近紅外波段反射率（nir）不超過78（最小值為76.91），而其他地類的反射率均大于78（最大值為79.93），利用近紅外波段反射率可剔除掉水體信息。歸一化差值植被指數（NDVI）是植被監測中最常用的指數之一，亮地表的NDVI最大值為0.12，除水體外其他地類的NDVI最小值為0.18（宜林荒山的最小值為0.18），利用NDVI可以進一步剔除掉亮地表與少量荒山林地信息。此步驟通過對nir和NDVI設置合適的閾值，最大可能地保留了植被信息，保證桉樹信息提取的準確性。

表1 地類光譜特征統計Table 1 Spectral values of different land cover types

表2 地類灰度共生矩陣紋理特征統計Table 2 Gray level co-occurrencematrix（GLCM）textures of different land cover types

2.4.2 紋理特征分析與篩選 紋理特征描述了各像元之間在空間分布上的局部模式及其排列規則，反映了影像本身的屬性［23］。灰度共生矩陣（GLCM）能反映圖像灰度關于紋理方向、相鄰間隔等因素，以及紋理間變化幅度的綜合信息。不同的地物具有各自獨特的紋理特征，可通過紋理特征來提取目標信息，紋理特征常用主成分分析的PCA1影像的8個紋理量共同表達（表2）。此步驟是在光譜特征分析與篩選的基礎上，通過分析研究區內不同林種的紋理特征，篩選出對象特征間相關系數最小，特征信息量保留最多的紋理特征。由表2可知：8組紋理特征中，桉樹的對比度（contrast）與同質性（homogeneity）均與其他2種有林地差異明顯，可作為桉樹信息提取的紋理對象特征。進一步分析，對比度特征，桉樹最小值為27.54，針葉林和闊葉林的最大值分別為27.67和27.23；同質性特征，桉樹最大值為0.21，針葉林和闊葉林的最小值分別為0.20和0.17。而其他紋理特征均存在不同程度的值域重疊，不利于目標地類的提取。因此在光譜特征分析的基礎上，結合對比度與同質性對象特征，創建桉樹信息提取的知識規則。

2.5 桉樹林信息提取

根據研究區地物特征分析與篩選的結果，選擇反射率、歸一化差值植被指數、對比度和同質性特征作為桉樹林信息提取的對象特征，經過多次試驗，確定對象特征合適的閾值，創建知識規則，實現桉樹林信息的準確提取。基于面向對象的影像分類方法，首先對反射率設置閾值區分開水體與非水體，然后再利用歸一化差值植被指數從非水體中提取出林地信息，最后利用2個紋理特征值對林種細分，最終獲得準確的桉樹林信息。在分類過程中構建決策樹分類樹，在其對應的層次創建相應的分類規則，具體設置見圖4。

3 結果與分析

3.1 桉樹信息提取結果

本研究基于光譜特征與紋理特征通過創建相應的分類知識規則，提取研究的桉樹信息，得到平朗鄉桉樹信息的空間分布（圖5）。分類后合并碎小圖斑，局部手動編輯修正，輸出統計 2015年平朗鄉桉樹種植面積為3 750 hm2，主要分布在該鄉中南部和東南部，因為該區域水熱條件良好，地勢平坦，有利于桉樹的速生豐產。

3.2 精度分析

根據森林資源調查成果數據與野外實地調查數據，矢量化出140個驗證樣本（其中桉樹林70個，其他70個），均勻分布于研究區。利用驗證樣本通過混淆矩陣（表3）的方式評價桉樹信息提取的精度：總體精度為84.3%，Kappa系數達到 0.73，用戶精度和生產者精度分別為81.4%和86.4%。

文獻［5］和［24］的研究區與本研究的研究區具有類似的地形特點，且采用的方法都是面向對象分類方法，對桉樹林信息分類提取的精度具有可比性（表4）。由表4可知：文獻［25］中桉樹林提取的生產者精度和用戶精度均低于80%，分析發現，文中涉及的對象特征僅為光譜特征，缺乏紋理特征，且影像空間分辨率為5 m。文獻［24］中精度高于本文精度，主要原因是參與分類的對象特征數量多，但其語義知識規則復雜繁瑣，不利用模型的魯棒性。

圖4 桉樹林信息提取規則Figure 4 Knowledge rules of eucalyptus extraction

圖5 平朗鄉2015年桉樹空間分布Figure 5 Spatial distribution of eucalyptus in Pinglang County in 2015

將提取結果與森林資源調查成果數據疊加對比發現，錯分為桉樹的圖斑主要是馬尾松Pinusmassoniana的成林或過熟林。主要是紋理特征差異不明顯造成的。一般情況下，桉樹林的紋理較規則、粗糙，而其他樹種人工林紋理細膩，而馬尾松成林或過熟林紋理特征也規則、粗糙，因而容易混淆。另外桉樹幼林也較容易誤分為其他地類，主要是因為桉樹幼林的光譜特征與其他植被光譜特征相近，同時紋理規則卻相對細膩，對象特征差異不顯著。因此，如何通過桉樹林與其他有林地影像特征的微小差異，精確地識別出桉樹林，以進一步提高桉樹林的提取精度還有待研究。由此可見，GF-2高分數據可作為桉樹等速生林識別提取的重要數據源，同時基于面向對象的方法可作為桉樹林遙感監測的重要思路。

表3 桉樹林信息提取精度分析Table 3 Confusionmatrix of eucalyptus extraction

表4 桉樹林提取精度對比Table 4 Contrast of eucalyptus extraction

4 討論

桉樹作為中國南方最重要的經濟速生林種之一，栽植、速長和砍伐周期交替頻繁，利用遙感影像準確采集桉樹林變化信息，在大規模工程化應用中，最基本的要求是簡單、實用和精度可靠。由于南方地形復雜，地勢破碎，基于像素的圖像分析方法難以滿足林業部門的實際精度要求，本研究提出的面向對象方法是在林業部門經過長期實踐的基礎上提出的，操作流程簡單實用，且采集結果經過外業應用證明，是比較符合桉樹林（變化）信息遙感采集的大規模工程化應用的。

平朗鄉地貌以丘陵和平原為主，地塊相對破碎，樹種繁多，代表了南方大部分桉樹林產區的特點，應用本研究的方法，可以確保較高的信息采集精度，可直接應用其他具有類似特點的桉樹林產區。但對于地勢起伏較大的林區，為確保較高的采集精度，可在本研究方法的基礎上，引入地理基礎數據，如DEM數據，把林區按照坡度分區，分別選擇各自分區適宜的對象特征以實現桉樹（變化）信息遙感監測的精度。

總之，經過工程化應用后發現，GF-2衛星數據空間分辨率高，重復獲取能力強，可作縣域及以上區域尺度下林業資源覆蓋變化多尺度高精度檢測的重要數據源，基于面向對象的圖像分析方法對復雜地形下桉樹信息具有較高的遙感監測精度。面向對象思想的核心在于影像分割尺度的設置、對象特征提取與穩定高效規則集模型的建立。在不存在通用分割尺度的前提下，如何設置分割尺度參數，需要研究；如何從眾多對象特征中快速準確地篩選信息量大、獨立性強的特征，也值得研究；如何建立高效的知識規則模型，既保證合適的分類精度，又兼顧模型的魯棒性，是面向對象思想推廣需要解決的關鍵問題。

5 結論

本研究利用國產GF-2高分辨率數據，基于面向對象的分析方法研究GF-2數據對桉樹信息的監測能力。以廣西平朗鄉為例，通過對影像多種特征的分析與提取，建立桉樹林信息提取的知識規則，實現了桉樹林的準確提取，得到以下結論：①基于面向對象的思想，利用GF-2數據，通過建立規則集能準確提取桉樹的空間分布信息，用戶精度和生產者精度分別達81.4%和86.4%，能夠滿足林業部門對于快速、準確提取林業資源的生產需求。②GF-2衛星數據空間分辨率高，重復獲取能力強，可作為林業資源覆蓋變化多尺度高精度檢測的重要數據源。③盡管基于面向對象思想的方法可實現對桉樹林的準確提取，但提取方法復雜，對于大尺度并行處理、規模工程化應用的提取流程和方法體系，還需要進一步探索。

［1］ 李春干，梁文海.面向對象遙感圖像森林變化監測的工程化應用方法［J］.林業資源管理，2015，12（6）：137－143.

LIChungan,LIANGWenhai.The engineering application of object-based forest change detection using high-resolution remote sensing image［J］.For Resour Manage,2015,12（6）:137－143.

［2］ 張麗云，趙天忠，夏朝宗，等.遙感變化檢測技術在林業中的應用［J］.世界林業研究，2016，29（2）：44－48.

ZHANG Liyun,ZHAO Tianzhong,XIA Chaozong,et al.Application of change detection technologies of remote sensing to forestry［J］.World For Res,2016,29（2）:44－48.

［3］ 徐菲楠，祁元，王建華，等.面向對象的黑河下游河岸林植被覆蓋信息分類［J］.遙感技術與應用，2015，30（5）：996－1005.

XU Feinan,QIYuan,WANG Jianhua,et al.Riparian forest vegetation coverage information classification based on object-orientedmethod in Heihe River［J］.Remote Sens Technol Appl,2015,30（5）:996－1005.

［4］ 周蔚.基于TM的森林資源地類動態估計方法及應用［D］.南京：南京林業大學，2010.

ZHOU Wei.Estimation Method of Forest Resources Land Type Variations and Its Application Based on TM Images［D］.Nanjing:Nanjing Forestry University,2010.

［5］ 黃春波，佃袁勇，周志翔，等.基于時間序列統計特性的森林變化監測［J］.遙感學報，2015，19（4）：657－668.

HUANG Chunbo,DIAN Yuanyong,ZHOU Zhixiang,et al.Forest change detection based on time series images with statistical properties［J］.JRemote Sens,2015,19（4）:657－668.

［6］ 伍靜.基于TM的速生桉遙感分類技術研究［D］.南寧：廣西大學，2014.

WU Jing.Research on Classification of Fast-Growing Eucalyptus Based on TM by Using Remote Sensing Technology［D］.Nanning:GuangxiUniversity,2014.

［7］ 雷光斌，李愛農，譚劍波，等.基于多源多時相遙感影像的山地森林分類決策樹模型研究［J］.遙感技術與應用，2016，31（1）：31－41.

LEIGuangbin,LIAinong,TAN Jianbo,et al.Forest typesmapping inmountainous area usingmulti-source and multitemporal satellite images and decision treemodels［J］.Remote Sens Technol Appl,2016,31（1）:31－41.

［8］ 郭亞鴿，于信芳，江東，等.面向對象的森林植被圖像識別分類方法［J］.地球信息科學學報，2012，14（4）：514－522.

GUO Yage,YU Xinfang,JIANG Dong,et al.Study on forest classification based on object oriented techniques［J］.J Geo-Inf Sci,2012,14（4）:514－522.

［9］ 王久玲，黃進良，王立輝，等.面向對象的多時相HJ星影像甘蔗識別方法［J］.農業工程學報，2014，30（11）：145－151.

WANG Jiuling,HUANG Jinliang,WANG Lihui,et al.Identification of sugarcane based on object-oriented analysis using time-series HJCCD data［J］.Trans Chin Soc Agric Eng,2014,30（11）:145－151.

［10］ 付強，代華兵，薛曉坡.高分辨率遙感影像森林覆蓋變化檢測研究［J］.林業資源管理，2013，10（5）：76－79.

FU Qiang,DAIHuabing,XUE Xiaopo.Forest cover change detection by using high-resolution remote sensing image［J］.For Resour Manage,2013,10（5）:76－79.

［11］ 周小成，莊海東，陳銘潮，等.面向小班對象的森林資源變化遙感監測方法：以福建省廈門市為例［J］.資源科學，2013，35（8）：1710－1718.

ZHOU Xiaocheng,ZHUANG Haidong,CHEN Mingchao,et al.A method to extract forest cover change by object-oriented classification［J］.Resour Sci,2013,35（8）:1710－1718.

［12］ 代華兵.SPOT5遙感數據在森林資源監測中的應用研究［D］.南寧：廣西大學，2006.

DAIHuabing.The Application of SPOT5 Remote Sensing Data in Forestry Surveying［D］.Nanning:Guangxi University,2006.

［13］ HOU Zhengyang,XU Qing,NUUTINEN T,etal.Extraction of remote sensing based forestmanagement units in tropical forests［J］.Remote Sens Environ,2013,130:1－10.

［14］ 扈晶晶.基于HJ-1和ZY-3遙感圖像的農田防護林信息提取研究［D］.北京：北京林業大學，2014.

HU Jingjing.The Farmland Shelterbelts Extraction Based on The HJ-1 and ZY-3 Satellite Remote Sensing Iamges［D］.Beijing:Beijing Forestry University,2014.

［15］ 祖笑峰，覃先林，尹凌宇，等.基于高分一號影像光譜指數識別火燒跡地的決策樹方法［J］.林業資源管理，2015，8（4）：73－78.

ZU Xiaofeng,QIN Xianlin,YIN Lingyu,et al.Decision treemethod for burned area identification based on the spectral index of GF-1WFV image［J］.For Resour Manage,2015,8（4）:73－78.

［16］ 劉肖姬，梁樹能，吳小娟，等.“高分二號”衛星數據遙感滑坡災害識別研究：以云南東川為例［J］.航天返回與遙感，2015，36（4）：93－99.

LIU Xiaoji,LIANG Shuneng,WU Xiaojuan,et al.Interpretation of landslide in Dongchuan District of Yunnan Province using GF-2 satellite data［J］.Spacecr Recov Remote Sens,2015,36（4）:93－99.

［17］ 朱俊杰，范湘濤，杜小平，等.面向對象的高分辨率遙感圖像分析［M］.北京：科學出版社，2014.

［18］ 胡榮明，魏曼，楊成斌，等.以SPOT5遙感數據為例比較基于像素與面向對象的分類方法［J］.遙感技術與應用，2012，27（3）：366－371.

HU Rongming,WEIMan,YANG Chenbin,et al.Talking SPOT5 remote sensing data for example to compare pixelbased and object-oriented classfication［J］.Remote Sens Technol Appl,2015,30（5）:996-1005.

［19］ 牟智慧，楊廣斌.基于TM影像面向對象的桉樹信息提取［J］.林業資源管理，2014，4（2）：119－125.

MOU Zhihui,YANG Guangbin.The extraction of Eucalyptus information based on TM data using object-oriented method［J］.For Resour Manage,2014,4（2）:119－125.

［20］ 劉吉凱，鐘仕全，徐雅，等.基于多時相GF-1WFV數據的南方丘陵地區甘蔗種植面積提取［J］.廣東農業科學，2014（18）：149－154.

LIU Jikai,ZHONG Shiquan,XU Ya,et al.Sugarcane extraction in the southern hills usingmulti-temporal GF-1WFV data［J］.Guangdong Agric Sci,2014（18）:149－154.

［21］ 潘一凡，張顯峰，于泓峰，等.聯合快舟一號影像紋理信息的城市土地覆蓋分類［J］.遙感技術與應用，2016，31（1）：194－202.

PAN Yifan,ZHANG Xianfeng,YU Hongfeng,et al.Land cover classification in Shihezi City by combing the KZ-1 texture and Landsat-8 OLIspectral information［J］.Remote Sens Technol Appl,2016,31（1）:194－202.

［22］ 白曉燕，陳曉宏，王兆禮.基于面向對象分類的土地利用信息提取及其時空變化研究［J］.遙感技術與應用，2015，30（4）：798－809.

BAIXiaoyan,CHEN Xiaohong,WANG Zhaoli.A study on land use information extraction based on object-oriented classification technology and the temporal-spatial variation［J］.Remote Sens Technol Appl,2015,30（4）:798－809.

［23］ 郭海會，王卷樂，周玉潔，等.面向對象的鄱陽湖南磯濕地國家級自然保護區燒荒地信息提取［J］.地球信息科學學報，2015，16（3）：499－506.

GUO Haihui,WANG Juanle,ZHOU Yujie,et al.Themoorburn information extraction on Poyang Lake NanjiWetland Nature Eeserve Area based on the object-oriented classificationmethod［J］.JGeo-Inf Sci,2015,16（3）:499－506.

［24］ 蔡耀君.基于面向對象技術的RapidEye影像桉樹林信息提取研究［D］.南寧：廣西師范學院，2015.

CAI Yaojun.Study on Extraction of RapidEye Image of Eucalyptus Forest Information Based on Object Oriented Technology［D］.Nanning:Guangxi Teachers Education University,2015.

［25］ 王學成，楊飛.基于面向對方分類方法的Rapideye桉樹提取［J］.桉樹科技，2014，31（3）：10－16.

WANG Xuecheng,YANG Fei.Extraction of Eucalyptus plantationsmetrics using Rapideye imagery with object-oriented classificationmethod［J］.Eucalypt Sci Technol,2014,31（3）:10－16.

Extracting Eucalyptus information using GF-2 images based on an object-oriented method

LIANGWenhai1,LIU Jikai2,ZHANGWei2,LIXinwei2,ZHONG Shiquan3
（1.Guangxi Forest Inventory and Planning Institute,Nanning 530000,Guangxi,China;2.University of Science and Technology of Anhui,Fengyang 233100,Anhui,China;3.Guangxi Institute of Meteorology,Nanning/Remote Sensing Application and Test Base of National Satellite Meteorology Centre,Nanning 530022,Guangxi,China）

Remote sensing data from the Chinese GF-2 satellite,the highest spatial resolution satellite for civilian satellites so far,was used to explore satellite performance for forest resource information monitoring.This research took Pinglang County as the study area,analyzed characteristics of different objects,such as spectrum, normalized difference vegetation index（NDVI）,and texture;extracted Eucalyptus data based on themethod of object-oriented classification using GF-2 satellite data;and then evaluated classification accuracy（Confusion Matrix）.Results showed that the object-oriented classificationmethod was an effective technicalmethod for extraction of Eucalyptus information with classification precision reaching 81.4% （producer’s accuracy）and 86.4% （user’s accuracy）.Thus,GF-2 satellite data with high temporal and spatial resolution could provide a potential data source for remote sensingmonitoring of forest resource information.［Ch,5 fig.4 tab.25 ref.］

forestmeasuration;GF-2 images;Eucalyptus;object-oriented

S758.5；TP75

A

2095-0756（2017）-04-0721-09

10.11833/j.issn.2095-0756.2017.04.019

2016-07-11；

2016-11-06

安徽科技學院引進人才基金資助項目（ZRC2014396，ZHYJ201601，ZHYJ201603）；安徽高校自然科學研究計劃資助項目（KJ2016A173，KJ2016A168）

梁文海，從事遙感圖像處理與應用研究。E-mail：lwxlwhlwy@163.com。通信作者：鐘仕全，高級工程師，從事衛星遙感應用研究。E-mail：liujkahstu@163.com